論文の概要: Large-Scale Biomedical RAG: Corpus Scaling, Document Representation, and Efficiency Trade-offs

• arxiv url: http://arxiv.org/abs/2610.26339v1
• Date: Mon, 19 Oct 2026 13:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 18:14:27.455501
• Title: Large-Scale Biomedical RAG: Corpus Scaling, Document Representation, and Efficiency Trade-offs
• Title（参考訳）: 大規模バイオメディカルRAG:コーパススケーリング、文書表現、効率トレードオフ
• Abstract要約: 我々は, コーパスのスケール, 文書表現, 再分類が, バイオメディカル検索・拡張生成(RAG)システムの有効性と効率に与える影響を評価する。
• 参考スコア（独自算出の注目度）: 0.5646457568088471
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a controlled, large-scale evaluation of how corpus scale, document representation, and reranking affect the effectiveness and efficiency of biomedical Retrieval-Augmented Generation (RAG) systems. Retrieval collections were progressively expanded while retaining the relevant source documents, enabling consistent comparisons across corpus sizes. We compared abstract, flat full-text, and hierarchical full-text representations across first-stage retrieval, reranking, and end-to-end multiple-choice question answering. Configurations selected on development data were evaluated on five external biomedical benchmarks and a held-out test set, while retrieval latency and index storage were measured to quantify operational cost. Performance patterns observed with small or controlled collections did not consistently persist as collections grew, and the usefulness of reranking depended on the corpus and retrieval setting. RAG improved three of four model configurations across the external benchmarks, with mean gains of up to 9.6 percentage points, and improved all four configurations on the held-out test set by 10.2-30.3 points. Abstract retrieval performed best when reference evidence was abstract-aligned, whereas full-text representations were generally more effective when richer evidence was needed. Hierarchical representation matched or outperformed flat full-text retrieval in most end-to-end comparisons while requiring 67% fewer indexed units and 44-56% less storage. These findings show that corpus scale should be treated as an explicit evaluation variable in biomedical RAG, and that the most appropriate design depends on evidence format, model behavior, and operational constraints.
• Abstract（参考訳）: 本稿では, コーパスのスケール, 文書表現, 再配置が, バイオメディカル検索・拡張生成(RAG)システムの有効性と効率に与える影響を, 大規模に評価する。 検索コレクションは、関連するソース文書を保持しながら徐々に拡張され、コーパスサイズ間で一貫した比較が可能になった。 要約,平文,階層的な全文表現を第1段階検索,再ランク付け,エンドツーエンドの複数質問応答で比較した。 5つの外部バイオメディカルベンチマークとホールドアウトテストセットで, 開発データから選択した構成を評価し, 検索待ち時間とインデックスストレージを測定し, 運用コストを定量化した。 小型・制御されたコレクションで観測された性能パターンは,コレクションが大きくなるにつれて常に持続せず,コーパスや検索設定に依存する。 RAGは外部ベンチマークで4つのモデル構成のうち3つを改善し、平均的なゲインは9.6ポイントまで向上し、ホールトアウトテストセットの4つの構成を10.2-30.3ポイント改善した。 参照エビデンスが抽象的に整列されている場合, よりリッチなエビデンスが必要な場合, フルテキスト表現が一般的に有効であった。 階層的表現は、ほとんどのエンドツーエンド比較においてフラットなフルテキスト検索と一致または性能が良く、インデックス化されたユニットは67%少なく、ストレージは44～56%削減された。 以上の結果から, コーパススケールはバイオメディカルRAGにおける明示的な評価変数として扱われるべきであり, 最も適切な設計はエビデンスフォーマット, モデル行動, 運用上の制約に依存することが示唆された。

関連論文リスト

• Parser, Chunking, and Embedding Interactions in Retrieval-Augmented Generation over Indian Government Regulatory Documents [0.42303492200814446]
  800の質問項目に対して評価した3s,3チャンキング戦略,5つの密埋モデルの因子分析を行った。 MPNet-baseは、テーブル由来の質問に対して深刻な障害モードを持つ一貫したアンダーパフォーマーである。 コーパスは98%以上のほぼ飽和したエビデンス保存天井を示しており、検索の違いは、摂取時の情報損失よりも、主にランキング品質によって引き起こされていることを示している。
  論文  参考訳（メタデータ） (2026-09-15T07:32:06Z)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• Novelty-Aware Agentic Retrieval: Comparing Research Contributions Through Structured Multi-Step Reasoning [0.0]
  ノベルティ・アウェア・リサーチ・エージェント(英: Novelty-Aware Research Agent)は、エージェント検索システムのプロトタイプである。 RAGパイプライン上の多段階推論を6つのタイプドコントラクトコンポーネントを通じて階層化する。 論文毎のコントリビューション記録、紙レベルのオーバーラップ、問題xメソッドギャップマトリックスなど、構造化された比較アーティファクトを生成する。
  論文  参考訳（メタデータ） (2026-06-20T17:04:02Z)
• Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature [0.0]
  GraLC-RAGは、グラフ認識構造インテリジェンスと遅延チャンキングを統合するフレームワークである。 2,359 IMRaD-filtered Centralの項目に対して,2,033の横断質問を用いた6つの戦略を評価する。
  論文  参考訳（メタデータ） (2026-03-23T23:22:58Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• EncouRAGe: Evaluating RAG Local, Fast, and Reliable [18.46710400838861]
  EncouRAGeは、Retrieval-Augmented Generation (RAG)システムの開発と評価を効率化するために設計されたPythonフレームワークである。 このフレームワークは科学的、多様な評価指標とローカルデプロイメントを強調しており、研究者はRAG内のデータセットを効率的に評価することができる。
  論文  参考訳（メタデータ） (2025-10-31T15:19:29Z)
• Evaluating Retrieval Quality in Retrieval-Augmented Generation [21.115495457454365]
  従来のエンドツーエンド評価手法は計算コストが高い。 本稿では,検索リストの各文書をRAGシステム内の大規模言語モデルで個別に利用するeRAGを提案する。 eRAGは、ランタイムを改善し、エンドツーエンド評価の最大50倍のGPUメモリを消費する、大きな計算上のアドバンテージを提供する。
  論文  参考訳（メタデータ） (2024-04-21T21:22:28Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Generalizing Cross-Document Event Coreference Resolution Across Multiple Corpora [63.429307282665704]
  クロスドキュメントイベントコア参照解決(CDCR)は、文書の集合全体にわたってイベントの特定とクラスタ化を行う必要があるNLPタスクである。 CDCRは、下流のマルチドキュメントアプリケーションに利益をもたらすことを目標としているが、CDCRの適用による改善はまだ示されていない。 これまでのCDCRシステムは,1つのコーパスでのみ開発,トレーニング,テストが行われた。
  論文  参考訳（メタデータ） (2020-11-24T17:45:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。